人脸识别算法是怎样工作的？

过去十年，深度学习(DL)领域出现了许多先进的新算法和突破性的研究，并且引入了新的计算机视觉算法。

这一切始于2012年的AlexNet。AlexNet是一个深度（卷积）神经网络，它在ImageNet数据集（拥有超过1400万张图片的数据集）上取得了很高的准确率。

人类是怎样识别面部的？

或许，人类大脑中的神经元首先识别场景中的人脸（从人的体形和背景），再提取面部特征，并通过这些特征对人进行分类。我们已经在一个无限大的数据集和神经网络上进行了训练。

机器中的面部识别是以同样的方式实现的。首先，我们采用面部检测算法来检测场景中的人脸，然后从检测到的人脸中提取面部特征，最后使用算法对人进行分类。

面部识别系统的工作流

1.人脸检测

人脸检测是物体检测的一个特化版本，特别之处在于，它只检测一种物体，即人脸。就像计算机科学里需要权衡时间和空间，ML算法也需要在推理速度和准确性之间进行权衡。现在有很多物体检测算法，不同算法对速度和准确性的取舍有所不同。

本文评估了如下几个最先进的物体检测算法：

• OpenCV（Haar-Cascade）
• MTCNN
• YoloV3和Yolo-Tiny
• SSD
• BlazeFace
• ShuffleNet和Faceboxes

为了构建一个强大的人脸检测系统，我们需要准确且快速的算法，以满足在GPU以及移动设备上实时运行的需要。

准确度

在流媒体视频的实时推理中，人们的面部可能有不同的姿势、遮挡和照明效果。故此，算法能在不同的光照条件和不同姿态下精确检测人脸非常重要。

在不同的姿态和光照条件下的人脸检测

OpenCV（Haar-ascade）

我们从OpenCV的Haar-cascade实现开始，它是一个用C语言编写的开源图像处理库。

优点：由于这个库是用C语言编写的，所以它在实时系统中的推理速度非常快。

缺点：这个实现的问题是它无法检测侧脸，而且在不同姿态和光照条件下表现欠佳。

MTCNN

这种算法基于深度学习方法。它使用深度级联卷积神经网络（Deep Cascaded Convolutional Neural Networks）来检测人脸。

优点：它比OpenCV的Haar-Cascade方法准确性更高

缺点：运行时间较长。

YOLOV3

YOLO（“You only look once”）是用于物体检测的最先进的深度学习算法。它由许多卷积神经网络组成，形成一个深度CNN模型(深度意味着模型架构复杂性很高）。

原始的YOLO模型可以检测80个不同的物体类别，而且检测精度很高，而我们只需要用该模型检测一个物体——人脸。我们在WiderFace（包含393,703个面部标签的图像数据集）数据集上训练了这个算法。

YOLO算法还有一个微型版本，即Yolo-Tiny。Yolo-Tiny需要的计算时间比较少，但却牺牲了一些准确性。我们用相同的数据集训练了一个Yolo-Tiny模型，其边界框（boundary box）结果并不一致。

优点：非常准确，没有任何缺陷。比MTCNN更快。

缺点：由于具有巨大的深度神经网络层，它需要的计算资源更多。故此，该算法在CPU或移动设备上运行地很慢。在GPU上，它的大型架构也需要耗费更多的VRAM。

SSD

SSD（Single Shot Detector）也是一个类似YOLO的深度卷积神经网络模型。

优点：良好的准确性。它可以检测各种姿势、光照和遮挡。良好的推理速度。

缺点：比YOLO模型差。虽然推理速度较好，但仍不能满足在CPU、低端GPU或移动设备上运行的要求。

BlazeFace

就像它的名字一样，它是由谷歌发布的速度极快的人脸检测算法。它接受128x128维的图像输入，推理时间是亚毫秒级，已优化到可以在手机中使用。它速度这么快的原因是：

• YOLO和SSD用来检测大量的类别，而BlazeFace不同，是一个专门的人脸检测器模型。故此BlazeFace的深度卷积神经网络架构比YOLO和SSD的架构小。
• 它采用的是深度可分离卷积层（Depthwise Separable Convolution），而不是标准的卷积层，这样就降低了计算量。

优点：非常好的推理速度，且人脸检测的准确率高。

缺点：这个模型的优化目标是对手机摄像头获取的图像进行人脸检测，故此它预期人脸会覆盖图像中的大部分区域，而当人脸尺寸较小时，它的识别效果就是很好。所以，当对闭路电视摄像机获取的（CCTV，Closed Circuit Tele Vision）图像进行人脸检测时，它表现得并不理想。

Faceboxes

Faceboxes是我们使用的最新的人脸检测算法。与BlazeFace类似，它是一个小型的深度卷积神经网络，只为检测一种类别——人脸而设计。它的推理时间可满足CPU上的实时检测需求。它的准确度可以与Yolo人脸检测算法相媲美，而且，不管图像中的人脸较大还是较小，它都可以精确地检测。

优点：推理速度快，准确性好。

缺点：评估仍在进行中。

2.特征提取

在检测到图像中的人脸后，我们对人脸进行裁剪，并将其送入特征提取算法，该算法创建面部嵌入（face-embeddings）——一个代表人脸特征的多维（主要是128或512维）向量。我们使用FaceNet算法来创建面部嵌入。

嵌入向量代表一个人的面部特征。故此，同一个人的两个不同图像的嵌入向量之间的距离比较接近，而不同人的嵌入向量之间的距离比较远。其中，两个向量之间的距离采用的是欧氏距离。

3.面部分类

在得到面部嵌入向量后，我们训练了一种分类算法，即K-近邻（K-nearest neighbor，KNN）算法，根据一个人的嵌入向量对其进行分类。

假设在一个组织中，有1000名员工。我们创建了所有员工的面部嵌入，并使用嵌入向量训练分类算法。该算法以面部嵌入向量作为输入，以人的名字作为输出返回。

在把图片放到网上前，用户可以采用过滤器修改图片中的特定像素。人眼无法察觉这些变化，但它会让面部识别算法觉得很困惑。——ThalesGroup

眼下，面部识别算法已经取得了巨大的进步。但这仅仅是技术革命的开始。可以想象一下，未来面部识别算法和聊天机器人技术的联合起来是多么强大。

　　图片使用申明：原创文章图片源自‘Canva可画’平台免费版权图片素材；引用文章源自引用平台文章中所使用的原图。